一次生成，两次利用：用于异常检测
计算机视觉与模式识别
2023-12-21 v1
摘要
视觉异常检测旨在分类和定位偏离正常外观的区域。基于嵌入的方法和基于重建的方法是该任务的两种主要途径。然而，它们要么效率不高，要么对于工业检测而言精度不足。为了解决这个问题，我们推导出了 POUTA（Produce Once Utilize Twice for Anomaly detection），通过重用重建网络中的判别信息潜力，同时提高了准确性和效率。我们观察到，重建网络的编码器和解码器表示能够分别代表原始图像和重建图像的特征。对称重建表示之间的差异提供了大致准确的异常信息。为了细化这些信息，POUTA 提出了一种由粗到细的过程，通过高层表示和监督损失来校准每个判别层的语义。配备上述模块后，POUTA 能够提供比现有技术更精确的异常定位。此外，表示的重用使得可以排除判别网络中的特征提取过程，从而减少了参数并提高了效率。大量实验表明，POUTA 优于或与现有方法相当，且成本更低。此外，POUTA 在无需任何特殊设计的情况下，也实现了比最先进的少样本异常检测方法更好的性能，表明 POUTA 具有学习训练数据固有表示的强大能力。
引用
@article{arxiv.2312.12913,
title = {Produce Once, Utilize Twice for Anomaly Detection},
author = {Shuyuan Wang and Qi Li and Huiyuan Luo and Chengkan Lv and Zhengtao Zhang},
journal= {arXiv preprint arXiv:2312.12913},
year = {2023}
}